기억력을 도전하세요! Emotiv 앱에서 새로운 N-Back 게임을 플레이하세요
기억력을 도전하세요! Emotiv 앱에서 새로운 N-Back 게임을 플레이하세요
기억력을 도전하세요! Emotiv 앱에서 새로운 N-Back 게임을 플레이하세요
무선 EEG 신호를 사용하여 n-Back 작업에서 기억 작업량을 평가하기
공유:
인간-기계 시스템, IEEE, 2015
초록
생리학적 측정을 사용한 정신 작업 부담 평가, 특히 EEG(뇌파도) 신호는 활발한 분야입니다. 최근에는 EEG 및 기타 생리학적 신호를 측정하기 위한 여러 무선 수집 시스템이 제공되고 있습니다. 몇몇 연구들은 이러한 무선 시스템을 사용하여 인지 작업 부담을 평가하고 그 성능을 평가한 바 있습니다. 본 논문은 잘 알려진 n-back 과제에서 기억 작업 부담 수준을 평가하기 위해 인기 있는 무선 시스템(EMOTIV EPOC 헤드셋)의 가능성을 탐색하는 초기 단계를 제시합니다. 우리는 자동 아티팩트 제거 알고리즘, 광범위한 특징 추출 기법, 개인 맞춤형 특징 스케일링 방법, 정보 이론 기반 특징 선택 접근법, 그리고 근접 지지 벡터 머신 기반 분류 모델을 통합한 신호 처리 및 분류 프레임워크를 개발했습니다. 실험 결과에 따르면 무선으로 수집된 EEG 신호를 사용하여 아홉 참가자의 서로 다른 기억 작업 부담 수준을 분류할 수 있습니다. 가장 낮은 작업 부담 수준(0-back)과 능동적 작업 부담 수준(1-, 2-, 3-back) 간의 분류 정확도는 100%에 근접했습니다. 1-back과 2-back 간의 최상의 분류 정확도는 80%, 1-back과 3-back 간의 정확도는 84%였습니다. 이 연구는 무선 수집 시스템과 고급 데이터 분석 및 패턴 인식 기술이 현대 사회에서 다양한 인지 활동에 종사하는 인간의 정신 작업 부담 수준을 실시간으로 모니터링하고 식별하는 데 유망하다는 것을 나타냅니다.전체 보고서를 읽으려면 여기를 클릭하십시오
인간-기계 시스템, IEEE, 2015
초록
생리학적 측정을 사용한 정신 작업 부담 평가, 특히 EEG(뇌파도) 신호는 활발한 분야입니다. 최근에는 EEG 및 기타 생리학적 신호를 측정하기 위한 여러 무선 수집 시스템이 제공되고 있습니다. 몇몇 연구들은 이러한 무선 시스템을 사용하여 인지 작업 부담을 평가하고 그 성능을 평가한 바 있습니다. 본 논문은 잘 알려진 n-back 과제에서 기억 작업 부담 수준을 평가하기 위해 인기 있는 무선 시스템(EMOTIV EPOC 헤드셋)의 가능성을 탐색하는 초기 단계를 제시합니다. 우리는 자동 아티팩트 제거 알고리즘, 광범위한 특징 추출 기법, 개인 맞춤형 특징 스케일링 방법, 정보 이론 기반 특징 선택 접근법, 그리고 근접 지지 벡터 머신 기반 분류 모델을 통합한 신호 처리 및 분류 프레임워크를 개발했습니다. 실험 결과에 따르면 무선으로 수집된 EEG 신호를 사용하여 아홉 참가자의 서로 다른 기억 작업 부담 수준을 분류할 수 있습니다. 가장 낮은 작업 부담 수준(0-back)과 능동적 작업 부담 수준(1-, 2-, 3-back) 간의 분류 정확도는 100%에 근접했습니다. 1-back과 2-back 간의 최상의 분류 정확도는 80%, 1-back과 3-back 간의 정확도는 84%였습니다. 이 연구는 무선 수집 시스템과 고급 데이터 분석 및 패턴 인식 기술이 현대 사회에서 다양한 인지 활동에 종사하는 인간의 정신 작업 부담 수준을 실시간으로 모니터링하고 식별하는 데 유망하다는 것을 나타냅니다.전체 보고서를 읽으려면 여기를 클릭하십시오
인간-기계 시스템, IEEE, 2015
초록
생리학적 측정을 사용한 정신 작업 부담 평가, 특히 EEG(뇌파도) 신호는 활발한 분야입니다. 최근에는 EEG 및 기타 생리학적 신호를 측정하기 위한 여러 무선 수집 시스템이 제공되고 있습니다. 몇몇 연구들은 이러한 무선 시스템을 사용하여 인지 작업 부담을 평가하고 그 성능을 평가한 바 있습니다. 본 논문은 잘 알려진 n-back 과제에서 기억 작업 부담 수준을 평가하기 위해 인기 있는 무선 시스템(EMOTIV EPOC 헤드셋)의 가능성을 탐색하는 초기 단계를 제시합니다. 우리는 자동 아티팩트 제거 알고리즘, 광범위한 특징 추출 기법, 개인 맞춤형 특징 스케일링 방법, 정보 이론 기반 특징 선택 접근법, 그리고 근접 지지 벡터 머신 기반 분류 모델을 통합한 신호 처리 및 분류 프레임워크를 개발했습니다. 실험 결과에 따르면 무선으로 수집된 EEG 신호를 사용하여 아홉 참가자의 서로 다른 기억 작업 부담 수준을 분류할 수 있습니다. 가장 낮은 작업 부담 수준(0-back)과 능동적 작업 부담 수준(1-, 2-, 3-back) 간의 분류 정확도는 100%에 근접했습니다. 1-back과 2-back 간의 최상의 분류 정확도는 80%, 1-back과 3-back 간의 정확도는 84%였습니다. 이 연구는 무선 수집 시스템과 고급 데이터 분석 및 패턴 인식 기술이 현대 사회에서 다양한 인지 활동에 종사하는 인간의 정신 작업 부담 수준을 실시간으로 모니터링하고 식별하는 데 유망하다는 것을 나타냅니다.전체 보고서를 읽으려면 여기를 클릭하십시오
